NumPy总结（一）：创建一个NumPy数组

NumPy总结（一）：创建一个NumPy数组

相关参考资料

• bilibili视频可参考：
  数据分析——numpy、pandas、matplotlib
  莫烦 Python 数据处理教程
• 相关书籍可参考:
  《Python数据科学手册》

NumPy，便是Numerical Python的简称。意为：数字的Python。
在某些方面，NumPy数组与Python内置的列表类型非常相似。但随着数组在维度上变大，Numpy数组提供了更高效的存储和数据操作。NumPy数组是Python数据科学工具生态系统的核心。

---

注：转载请注明出处

---

1. 基本概述

在一般的Python代码中，变量所采用的是动态数据类型，如下段代码：

x = 4
x = 'four'

这里已经将变量x从整型变成了字符串类型，这便是Python程序所特有的灵活性，但这也会使得每种类型的结构体中含有大量的额外信息。以便支持这种灵活性的操作。

又如下面的Python列表类型：

list1 = [True, '2', 3]

在这个Python的列表类型中，每个元素的数据类型都可以不同，为保证这种灵活性，每一个元素必须包含各自类型信息，也就是说，列表中的每一个元素都是一个完整的Python对象。 而与此相对应，固定类型的NumPy式数组缺乏这种灵活性，但能更有效地存储和操作数据。

也就是说，NumPy数组包含同一类型的值，而Python列表中元素类型可以不一致。这便是NumPy数组与Python列表的不同之处。

在使用NumPy模块之前，需进行导入，惯例一般将其名称设置为np。

import numpy as np

---

2. 创建NumPy数组

2.1 使用np.array从列表进行创建

首先，可以用np.array从Python列表创建数组：

array1 = np.array([1, 2, 3, 4, 5])
print('NumPy数组为: ',array1)
print('Python列表为：', [1, 2, 3, 4, 5])

NumPy数组为:  [1 2 3 4 5]
Python列表为： [1, 2, 3, 4, 5]

注意：
1. NumPy数组与Python列表的形式不同：
NumPy数组无逗号，用空格进行分隔；
Python列表则使用逗号进行分隔。

2. NumPy数组必须包含同一类型的数据，如果类型不匹配，NumPy会向上转换，即向更高级别的数据类型转换，如整型向浮点型转换：

array2 = np.array([3.14, 1, 2])
print(array2)

[3.14 1.   2.  ]

---

2.2 dtype关键字进行数组数据类型的设置

若希望明确设置数组的数据类型，可以用dtype关键字：

array3 = np.array([3.14, 1, 2], dtype = 'int32')
print(array3)

[3 1 2]

注意
1.dtype后的格式若为int、float，则可不加引号；而若为int32、float32等，则必须加引号。

---

2.3 创建多维列表

不同于Python列表，NumPy数组可以被指定为多维的。如下利用嵌套列表初始化多维数组：

array4 = np.array([range(i, i+3) for i in [2, 4, 6]])
print(array4)

[[2 3 4]
 [4 5 6]
 [6 7 8]]

---

2.4 使用NumPy内置方法创建

在面对大型数组的时候，用Numpy内置的方法从头创建数组是一种更高效的方法。

（1）np.zeros：值全为 0 的数组

array5 = np.zeros(10, dtype = int) #一维数组
array6 = np.zeros((3, 5), dtype = int) #二维数组
print('array5 =',array5)
print('array6 =',array6)

array5 = [0 0 0 0 0 0 0 0 0 0]
array6 = [[0 0 0 0 0]
 [0 0 0 0 0]
 [0 0 0 0 0]]

（2）np.ones：值全为 1 的数组

array7 = np.ones(10, dtype = int) #一维数组
array8 = np.ones((3, 5), dtype = int) #二维数组
print('array7 =',array7)
print('array8 =',array8)

array7 = [1 1 1 1 1 1 1 1 1 1]
array8 = [[1 1 1 1 1]
 [1 1 1 1 1]
 [1 1 1 1 1]]

（3）np.full：值全为 设置值 的数组

array9 = np.full(10, 3.14) #一维数组
array10 = np.full((3, 5), 3.2) #二维数组
print('array9 =',array9)
print('array10 =',array10)

array9 = [3.14 3.14 3.14 3.14 3.14 3.14 3.14 3.14 3.14 3.14]
array10 = [[3.2 3.2 3.2 3.2 3.2]
 [3.2 3.2 3.2 3.2 3.2]
 [3.2 3.2 3.2 3.2 3.2]]

（4）np.arange：线性序列数组，如**range()**类似（左闭右开区间）

array11 = np.arange(0, 20, 2)
print('array11 =',array11)

array11 = [ 0  2  4  6  8 10 12 14 16 18]

（5）np.linspace：均匀分配序列数组 （闭区间）

array12 = np.linspace(0, 1, 5)
print('array12 =',array12)

array12 = [0.   0.25 0.5  0.75 1.  ]

（6）np.random.random：0~1均匀分布的随机数

array13 = np.random.random((3,3))
print('array13 =',array13)

array13 = [[0.351325   0.21198856 0.33438375]
 [0.34795518 0.94751665 0.53576009]
 [0.90172469 0.8647817  0.15762703]]

（7）np.random.normal：均值、标准差为设置值的正态分布随机数数组

array14 = np.random.normal(0, 1, (3,3))
print('array14 =',array14)

array14 = [[ 0.78272478  0.53343682  2.28611418]
 [ 0.7060398  -1.03404058 -0.4452683 ]
 [ 1.62295592  0.45360629  1.43592776]]

（8）np.random.randint：区间为设置值内的随机整型数组

array15 = np.random.randint(0, 10, (3,3))
print('array15 =',array15)

array15 = [[4 5 0]
 [8 6 1]
 [7 4 3]]

（9）np.eye：生成设置大小的单位矩阵

array16 = np.eye(3)
print('array16 =',array16)

array16 = [[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]

（10）np.empty：生成未初始化数组，值为任意值。

array17 = np.empty(3)
print('array17 =',array17)

array17 = [1. 1. 1.]

---

以上便是NumPy最基础的概述以及其创建方法，本节的Jupyter notebook代码与readme文件已上传至GitHub，此外，还有英文版的《PythonDataScienceHandbook》的Jupyter notebook文件也已经开源，Github代码点击则可查阅。